***P<0.01,**P<0.05,*P<0.1表示统计意义为1%，5%,和10%的水平，表C7:实验B投资者反应（ESG）因变量的异质E型ECT；1（开放式）(1)(2)(3)(5)(6)全影响基金普通基金全影响基金普通基金女性创始人=1 0.012***0.103***0.011***(0.004)(0.033)(0.004)亚洲创始人=1 0.004 0.008 0.004(0.004)(0.032)(0.004)影响基金=1-0.048**-0.010(0.020)(0.024)女性创始人=1×0.083**影响基金=1×0.011影响基金=1(0.032)美国投资者=1-0.018***-0.074-0.017**-0.018**-0.017**-0.017**-0.017**-0.017**-0.017**(0.004)(0.004)(0.004)(0.032)006）(0.046)(0.007)(0.006)(0.047)(0.007)女性投资者=1-0.015***-0.057-0.014**-0.015***-0.068*-0.014**(0.006)(0.039)(0.006)(0.006)(0.040)(0.006)常数0.197****0.275**0.202***0.355**0.198***(0.019)(0.135)(0.020)(0.020)(0.146)(0.020)(0.20)(0.146)(0.020)(0.020)(0.020)(0.020)(0.020)(0.020)(0.020)(0.020)(0.020)(0.020)(0.020)(0.020)(0.020)（23,649 368 23,281 23,649 368 23,281 r平方0.006 0.075 0.006 0.006 0.049 0.005注。本表报告了全球投资者在对应测试中基于投资理念的随机投资策略下的电子邮件打开行为的异质性。我只包括那些在Pitchbook上有投资哲学的投资者，这占了所有观察的76.5%。因变量是一个虚拟变量，当投资者打开推销电子邮件时为一个，否则为零。“女性创始人=1”是一个指示变量，如果发邮件者的姓名是女性，则等于1，否则等于零。类似地，“亚洲创始人=1”是一个指示器变量，如果发件人的姓是东亚人的名字，则等于1，否则等于零。“ImpactFund=1”是一个指标变量，如果投资者在一个基于Pitchbook数据的具有ESG相关投资偏好的基金中工作，则等于1，否则等于零。这些偏好包括支持少数族裔创始人、关心环境和社会影响等。“美国投资者=1”和“美国投资者=1”是作为美国投资者和非美国投资者的指示性变量。第（1）和（4）栏报告了所有可用投资哲学观察的回归结果，第（2）和（5）栏报告了在impact基金工作的投资者的回归结果。第（3）和（6）栏报告了在不追求影响投资策略的普通风险投资基金中工作的投资者的研究结果。Ris调整OLS回归。标准错误在括号中，并在投资者级别上群集。***P<0.01,**P<0.05,*P<0.1表示统计意义为1%，5%,和10%的水平，表C8:实验B投资者反应（ESG）因变量异质e-hop ECT的稳健性检验；1（开放式）(1)(2)(3)(5)(6)全影响基金普通基金全影响基金普通基金女性创始人=1 0.009**0.023*0.009**(0.004)(0.013)(0.004)亚洲创始人=1 0.008-0.022 0.008(0.005)(0.019)(0.005)影响基金=1 0.014 0.039***(0.010)(0.015)女性创始人=1×0.014影响基金=1（0.014）亚洲创始人=1×-0.029影响基金=1(0.020)美国投资者=1-0.015**-0.044**-0.010-0.027***-0.056**-0.022***(0.006).(0.018)(0.007)(0.008)(0.023)(0.008)女性投资者=1-0.021***-0.030*-0.019***-0.015**-0.017-0.015**(0.005)(0.016)(0.005)(0.006)(0.020)(0.006)常数0.190***0.237***0.184***0.143***0.144***0.146***(0.019)(0.054)(0.020)(0.019)(0.061)(0.019)(0.019)(0.019)(0.019)(0.019)(0.019)(0.019)(0.019)(0.019)(0.019)(0.019)(0.019)(0.019)(0.019)(0.019)30,909 2,895 28,014 14,348 1,335 13013 r平方0.006 0.014 0.006 0.006 0.012 0.006注。本表报告了全球投资者在通信测试中基于其投资理念的电子邮件打开行为的异质性。对影响基金的识别更为普遍，包括非投资基金和其描述包含提示性关键字的基金。

因变量是一个虚拟变量，当投资者打开推销电子邮件时为一个，否则为零。“女性创始人=1”是一个指示变量，如果发件人的姓名是女性，则等于1，否则等于零。类似地，“亚洲创始人=1”是一个指示变量，如果发邮件者的姓是东亚人，则等于1，否则等于零。“Impact fund=1”是一个指示变量，如果投资者在一个基于Pitchbook数据的具有ESG相关投资偏好的基金中工作，则等于1，否则等于零。这种偏好包括支持少数族裔创始人、关心环境和社会影响等。“美国投资者=1”和“女性投资者=1”是美国投资者和女性投资者的指示变量。第（1）和（4）栏报告了所有可用投资哲学观察的回归结果。第（2）和（5）栏为在影响基金工作的投资者报告回归结果。第（3）和（6）栏报告了在不追求影响投资策略的普通风险投资基金中工作的投资者的回归结果。Ris调整后的Rfor Olsregress。标准错误在括号中，并在投资者级别上群集。***P<0.01,**P<0.05,*P<0.1图C1:实验B用于通信测试的测试电子邮件模型示例假设启动的质量（即生产力）线性地和附加地依赖于两个特征:Xi*它包括在推销电子邮件中的标准化可观察信息；XII，其中包括每个初创企业不可观察的特征。设g=1表示为女性创始人，g=0表示为男性创始人。（类似的逻辑也适用于亚裔创始人和白人创始人。）将γ作为一个附加的线性加法项，可以根据创始人的性别来确定基于信念的偏差或基于信念的偏差（即E(XIIF)6=E(XIIM))。D.1Heckman的评论基于Neumark(2012)的模型，如果一家初创企业的感知质量超过内部阈值c(>0)，投资者会打开或回复电子邮件。然后，女性和男性创始人的回调决策（即电子邮件开放决策或电子邮件回复决策）是(P(xi*，XIIF)G=1)=1如果βxi*+XIIF+γ+F>cT(P(xi*，XIIM)G=0)=1如果βxi*+XIIM+F>cwhe，XIIFand XIIMare残差。假设XIIFand xiima正态分布为零均值和标准偏差σiifandσiim，且分布函数Φ，则电子邮件打开概率为打开/回复电子邮件ifxiif/σiif>(c-βxi*-γ)/σiif，其中XIIFσiif≈N(0,1)(10)pr[T(P(xi*，XIIF)G=1)=1]{z}女性打开/回复概率=1-Φ[c-βxi*-γσiif]=Φ[c+βxi*+γσiif](10\')pr[T(P(xi*，XIIM)G=0)=1]{z}男性打开/回复概率=1-Φ[c+βXIIM)G=0)=1]{z}Im]=Φ[-C+βXi*σIIM]，在不进一步假定σIIF和σIIM的情况下，γ是统一的。上面提到的模型说明了赫克曼的脚本。在对应测试中，xif=xim=xi。考虑γ=0（无歧视）,butV ar(XIM)>V ar(XIF)（即。

男性创始人方差大于女性创始人方差）情况一：当xi*较低时，投资者更喜欢V ar(XIM)较高的男性企业家（方差较高组）。（对女性歧视的虚假证据）如果βixi*<c，Φ[-c+βxi*+γσiif]{z}超负<Φ[-c+βxi*σiim]{z}不太负case ii：当XIis高时，投资者更喜欢V ar（XIF）更低的女性企业家（低方差组）。（歧视女性的虚假证据）例如，在Gornall and Strebulaev(2020a)中，xi*被设置得尽可能高，以提高响应率。如果βixi*>c,Φ[-c+βxi*+γσiif]{z}超正>Φ[-c+βxi*+γσiif]{z}不太正，则HS的批评论点对对称分布成立(Heckman(1998))，并声称即使在理想条件下，对应关系也研究没有关于歧视的信息。上面提到的两个案例表明，不可观察项的相对方差与通信中为投掷电子邮件设置的质量水平相互作用。因此，重要的是要从不可观察的方差中检查这种潜在的偏见，以避免有利于女性的虚假歧视证据。注意，赫克曼的批评来自于对应测试中使用的非线性二元回调率。它不适用于结果变量为连续线性的实验室实验。（即女性创始人的评级=βXi*+Xiif+γ+F，男性创始人的评级=βXi*+Xiim+F。）D.2正确偏差使用Neumark ModelNeumark(2012)模型表明，当对应检验引入改变投资者反应决策的质量的意义变化时，γ可以被识别。直觉是，当一个群体的方差较大时（即malefounders），其可观测特征的ECT就会较小。因此，检验投资者的回调决策的质量变化如何有助于识别不可观测项的相对方差，进而识别γ（即偏差参数）。该模型有以下两个假设：A。本研究中存在一些启动特征（即实验1中的教育背景）。βII，女性创始人和男性创始人相同。（这样的假设不能在实验1中测试，因为只有一个有效的质量控制，即初创企业创始人的教育背景。）结果证明女性创始人的回答率Φ[-C+βxi*+γσiif]{z}男性创始人的回答率Φ[-C+βxi*σiim]{z}只能识别相对于不可观察项的标准差，所以我将变量归一化。设置σiim=1和σiif，那么女性创始人相对于男性创始人的可观察方差，σiif R=σiifσiim=σiif，归一化后。结果：女性创始人的响应率(*)Φ[-C+βxi*+γσiif R]{z}男性创始人的响应率(*)可以是非零，因为(1)γ6=0或(2)σf r6=1，为了估计βIσiIBR，βI，以及对它们的比值σiIBR=σiIBσiIW的推断，我可以实现一个异方差概率模型，该模型将不可观测的方差降低到随性别而变化。相对于阈值，感知质量有一个潜在变量，假设产生于byT(PIJ*)=-C+βIXI*IJ+γGI+IJ，假设E(ij)=0和var(ij)=[exp(μωGI)]。μ也归一化为0。该模型可以通过极大似然估计，并将观测数据作为投资者水平上的聚类处理。

则exp(ω)的估计等于σiibr。假设βii对女性和男性相同，为了识别对男性创始人的γ观察值识别:-c和βii对女性创始人的观察值识别:(-c+γ)exp(ω){z}=σiifr，βiexp(ω){z}=σiifr，βiexp(ω){z}=σiifr，βiexp(ω){z}=σiifr，β和βiexp(ω){z}的比值可以识别exp(ω)，等于σiifr，(-c+γ)exp(ω){z}=σiifr，c和exp(ω)的表达式=σiifr，γ。如果我们允许统计区分，这意味着(XIIF)-E(XIIM)=μiif w6=0，那么我们识别的是γ+μiif w，而不是γ。这是品味歧视和统计歧视的结合。如果σiif r=1，那么在未观察到的信息的分布上没有偏差。如果σiif r6=1，但我们有一些证据表明标准化水平Xi*与相关的创业投资中心相比如何，我们可以确定偏差的方向。D.3扩展Neumark模型，在B.2中描述的Neumark(2012)模型中加入战略通道，创业公司的感知质量越高，投资者越有可能打开这封邮件。然而，如果一些电子邮件太好（“过度合格”），投资者可能不想看它们。虽然这种机制在实验1中并不起重要作用，因为较好的教育背景正影响着投资者的反应。这种额外的机制可以通过假定以下非单调雇用规则在前面的模型中添加:c>βxi*+xiif+γ+F>cUse用以下MLE方法估计模型:Tij=1{c<βxi*+xii+γg+ij<c}Tij=1{(cc-xi*-γg)/σb<xii+ij<(cc-xi*-γ)/σb}nyi=1(Φ((cc-xi*-γ)σfb)-Φ((cc-xi*-γ)σfb)))Ti∈F,j=1(Φ((cc-xi*-γ)σmb)σmb,j=1(Φ((cc-xi*)σmb）目前是一种非单调交叉阈值模型，很难对此类模型进行非参数估计。（参见Lee and Salani\'E(2018))Stata代码：dprobit,vce（cluster）E“leave-one-out”估计的证明这里开发的“leave-one-out”估计器可用于根据IRR实验中评估者的决定生成异构Ect。通过利用每个个体内部的新变化，我们对“反少数群体”和“友好少数群体”的歧视渠道（根据他们是否更喜欢接触或投资于少数群体）进行了详细的描述。这样的估算器帮助研究人员通过拿着一个大数据来讲述一个更详细的故事。证据：投资者i评估了JthRandom生成的初创公司的报告。目前，由于我们有I个投资者，每个人都评估jprofilles，I∈{1,2,...,I}，j∈{1,2,...,j}，我们可以运行池回归来测试组级偏好。Y(k)ij=xijβ(k)I+αI+(k)ij(2)Y(k)ij意味着投资者I为jthgenerated profile评估了kthquestion。因为每个投资者都需要提供Q1（质量）、Q2（合作）、Q3（联系）和Q4（投资）的答案。为了简单起见，让我们假设xij只包含一个性别指示器。xij=1如果投资者i.jthgenerated Profile的创始人性别是女性，xij=0如果投资者i.jthgenerated Profile的创始人性别是男性。由于实验设计的原因，jthgenerated Profile由投资者i.jthgenerated Profile由投资者i.jthgenerated Profile的创始人性别是男性，(k)ij(k)ijif j6=j，然而，(k)ij6(k)ijif k6=k（注意：我们需要一点结构来假设(k)ij(k)ijif j6=j)(k)ij=η(k)i+v(k)ij，v(k)iji.I.d(3)η(k)ii是规定的E(ect)，如果我们运行个体水平的回归，它将进入常数项。在此残差结构下，我们可以在不失一般性的情况下有如下假设:(k)ij(k)ijif j6=j)。为了简单起见，让我们根据β(3)i对投资者进行分类，并划分出“反少数”投资者:β(3)i<0，即不想接触少数创始人创业公司的投资者；“少数友好”投资者:β(3)i>0，即喜欢接触少数创始人创业公司的投资者；如果β(1)ii是可观察的或预先确定的（即。

将这22个投资者按β(1)i的符号分为两组，然后进行如下回归:y(k)ij=γ1(β(1)i<0)xij+γ1(β(1)i>0)xij+αi+(k)ij，因为1(β(1)i<0)xij，1(β(1)i>0)xij，不存在内生性问题。为什么？这是一个典型的“生成回归问题”,若β(1)i=pjxijy(1)ijPjXij=β(1)i+pjxij(1)ijPjXij,则1(β(1)i<0)Xij=1(β(1)i+pjxij(1)ijPjXij<0)Xij,自(1)ij6(k)ij。类似的问题也适用于1(β(1)i>0)xij。然后我们就有了内生性问题（“y（或错误项）进入回归的右侧，这是错误的。”）。为了解决这个“生成回归子问题”，我们可以使用ML中广泛使用的“leave-one-out”技术。（由于每个个体内部的新变化，这在传统的经验环境中是不可用的。）步骤1：对于每个i&j，估计β(1)IJ=PJ6=JXIJY(1)IJPJ6=JXIJ（当j→∞时，βL(1)IJP→β(1)IJJ)。第二步：根据I×JβL(1)Ij，将I×JβL(1)Ij，分为两组。（这意味着投资者i可以同时进入一个样本中的“反少数”组和“少数友好”组。但是，当jp→∞时，这种情况不会发生）步骤3：运行池回归(k)ij=γ1(βL(1)ij<0)xij+γ1(βL(1)ij>0)xij+αi+(k)ij，因为βL(1)ij已经离开了jtherm（即(1)ij不进入βL(1)ij)，这打破了与(k)ij的联系。（请记住我们在实验设计中的假设:(k)ij(k)ijif j6=j，然而，(k)ij6(k)ijif k6=k)，那么1(βL(1)ij<0)xij(k)ij，用这种估计方法不存在内生性问题。注意：理论上，我们可以根据β(k)ifor k来分类。对结果的解释将改变“反少数”族和“亲少数”族的定义。根据研究问题的不同，我们可以选择最合理的KQ.E.D。